基于無線射頻識別技術(shù)的礦工定位算法研究

方躍春 王 洪

(1.長沙民政職業(yè)技術(shù)學(xué)院電子信息工程學(xué)院,湖南 長沙 410004;2.湖南師范大學(xué)工程與設(shè)計(jì)學(xué)院,湖南 長沙 410081)

近年來,礦業(yè)生產(chǎn)中人員安全事故頻繁發(fā)生,為保障礦工安全,有必要精準(zhǔn)了解礦工在礦區(qū)內(nèi)的活動(dòng)軌跡和行為[1-3]。傳統(tǒng)的定位技術(shù)主要包括全球定位系統(tǒng)(GPS)和慣性導(dǎo)航系統(tǒng),但在礦山環(huán)境中,受限于信號遮擋、信噪比低等因素,無法滿足實(shí)際需求。

近年來,不少學(xué)者開展了相關(guān)研究。洪飛[4]研發(fā)了一種適用于煤礦生產(chǎn)活動(dòng)的智能監(jiān)控系統(tǒng)。該系統(tǒng)能夠?qū)Σ傻V過程進(jìn)行智能監(jiān)控,一旦出現(xiàn)瓦斯泄漏或水害等危險(xiǎn)情況,則會(huì)及時(shí)向礦工和管理人員發(fā)出報(bào)警信息。此外,該系統(tǒng)還可以利用路由表查詢每個(gè)路由器節(jié)點(diǎn)所管理的子節(jié)點(diǎn),從而較為準(zhǔn)確地確定礦工位置?；诘V工定位服務(wù),礦山生產(chǎn)管理員可以實(shí)時(shí)查看礦山生產(chǎn)狀態(tài),并以此制定更為合適的救援方案拯救礦工。梁慶杰[5]研發(fā)了一種異構(gòu)多核嵌入式控制系統(tǒng),主控制器采用S3C2440,從控制器采用DSP F2812。該系統(tǒng)考慮到環(huán)境感知和“W”形搖臂式履帶行走機(jī)構(gòu)的控制需求,采用高性價(jià)比的主、從控制系統(tǒng),在嵌入式Linux 內(nèi)核上高效處理從控制器監(jiān)測的語音、視頻、距離和障礙等信號,適合于在事故礦井中使用。

傳統(tǒng)的礦工定位算法主要采用基于傳感器、圖像處理等技術(shù),存在以下不足:① 需要在礦山內(nèi)安裝專門的設(shè)備和傳感器,實(shí)現(xiàn)難度較大;② 通常只適用于某些特殊的場景和礦區(qū)范圍內(nèi)定位,無法滿足更廣泛的位置數(shù)據(jù)收集和監(jiān)視需求;③ 受限于環(huán)境因素如光照、天氣等因素,且信號容易受到多路徑效應(yīng)干擾,定位精度不高,容易出現(xiàn)誤差;④ 需要大量的硬件設(shè)備和專業(yè)人員維護(hù),難以實(shí)現(xiàn)高效、低成本的礦工定位;⑤ 在進(jìn)行視頻監(jiān)控或人員定位時(shí),實(shí)質(zhì)上涉及了礦工的位置、工作情況等隱私信息保護(hù)問題,如何保證數(shù)據(jù)安全和個(gè)人隱私信息被科學(xué)地使用,需引起重視[6-8]。

隨著無線射頻識別技術(shù)不斷發(fā)展,基于無線射頻識別技術(shù)的礦工定位成為一種新的解決方案。該技術(shù)通過對射頻信號的接收和處理,確定物體的位置并向用戶提供準(zhǔn)確信息。與傳統(tǒng)技術(shù)相比,無線射頻技術(shù)具有設(shè)備簡單、復(fù)雜環(huán)境下工作可靠、系統(tǒng)構(gòu)建成本低等優(yōu)點(diǎn)[9-11]。具體來說,該技術(shù)可以對礦工進(jìn)行精確定位,實(shí)現(xiàn)室內(nèi)定位的精度可以達(dá)到厘米級,從而更好地監(jiān)控礦工的位置和行為,提高礦工的安全性。該技術(shù)還可以收集大量的數(shù)據(jù),并對這些數(shù)據(jù)進(jìn)行分析和挖掘,更好地了解礦工的行為和狀態(tài),提高礦山管理水平[12]。然而,由于無線射頻信號在礦井中可能會(huì)受到各種因素干擾,例如多徑效應(yīng)和隨機(jī)噪聲等,會(huì)在一定程度上使得定位精度和魯棒性下降。因此,提高基于無線射頻識別技術(shù)的礦工定位精度和穩(wěn)定性顯得尤為重要[13-15]。

本研究針對基于無線射頻識別技術(shù)的礦工定位問題進(jìn)行分析,提出一種改進(jìn)的定位算法。該算法采用信號強(qiáng)度值(RSSI)指標(biāo)建立定位模型,并結(jié)合Log-Normal 信號傳播模型和卡爾曼濾波算法處理信號,從而提高定位的精度和魯棒性。同時(shí),設(shè)計(jì)一種基于K-Means 聚類算法的參考點(diǎn)優(yōu)化方法,以選擇最佳的參考點(diǎn),提升定位的準(zhǔn)確性和穩(wěn)定性。

1 算法原理

1.1 算法基本特點(diǎn)

基于無線射頻識別技術(shù)的礦工定位算法研究的基本理念是通過在礦山內(nèi)部部署多個(gè)電子設(shè)備和信號接收器,實(shí)現(xiàn)對礦工位置的實(shí)時(shí)準(zhǔn)確檢測。主要特點(diǎn)如下:

(1)無線射頻技術(shù)。利用無線射頻技術(shù),通過天線收集由標(biāo)簽發(fā)送出的RSSI,而后根據(jù)其信號強(qiáng)度值計(jì)算礦工所處的位置信息。

(2)多點(diǎn)定位。通過設(shè)置多個(gè)參考節(jié)點(diǎn)和測試點(diǎn),形成較為完整的信號網(wǎng)絡(luò),在需要定位的節(jié)點(diǎn)上安裝無線射頻標(biāo)簽,可以提高定位的精度和魯棒性。

(3)實(shí)時(shí)性和可擴(kuò)展性。基于無線射頻技術(shù)的礦工定位算法可以實(shí)時(shí)監(jiān)測礦工位置信息,隨時(shí)更新數(shù)據(jù),并且具有良好的可擴(kuò)展性,可以根據(jù)需要便捷地添加或移除參考節(jié)點(diǎn)。

(4)低成本。相比傳統(tǒng)技術(shù),基于無線射頻識別技術(shù)的礦工定位算法采用的硬件設(shè)備相對簡單且易于安裝,同時(shí)無須經(jīng)常維護(hù),因而大大降低了硬件成本。

1.2 基于RSSI 的礦工定位信號優(yōu)化

在無線射頻識別技術(shù)中,每個(gè)設(shè)備都有一個(gè)唯一的ID,在礦山中部署多個(gè)接收器可以通過硬件設(shè)備獲取每個(gè)設(shè)備發(fā)送的RSSI[16]。RSSI是一種表示接收到信號強(qiáng)度的非負(fù)整數(shù),通常將它轉(zhuǎn)換成負(fù)的分貝單位(dBm),以便更直觀地獲悉信號的強(qiáng)度和損失。這些RSSI值可以通過網(wǎng)絡(luò)協(xié)議傳遞和集成到應(yīng)用程序中。在空中傳播的電磁波隨著距離的增加而衰減,這種衰減會(huì)影響到接收的RSSI。根據(jù)預(yù)先獲取的RSSI數(shù)據(jù)生成RSSI模板,然后將接收的RSSI數(shù)據(jù)與設(shè)備之間預(yù)先確定的RSSI模板進(jìn)行比較,從而獲得定位信息。不同的模板匹配算法會(huì)采用不同的比較策略對RSSI值進(jìn)行匹配,以實(shí)現(xiàn)最精確的位置估計(jì)。因此,可將RSSI作為估計(jì)兩個(gè)設(shè)備之間距離的指標(biāo),從而確定礦工位置。

Log-Normal 模型是一種經(jīng)典的無線電信號傳輸模型,描述了射頻信號在傳輸過程中的衰減效應(yīng)[17]。在該模型中,為了量化信號衰減,一般引入衰減因子n表示信號以指數(shù)方式隨著距離增加而衰減,并假設(shè)無線信號損失服從高斯分布,可以將信號功率的平均損失描述為

式中,PL(d)表示距離為d時(shí)信號的平均功率損失;PL(d0)為參考距離d0處的信號平均功率損失;n為路徑損耗指數(shù);ε為由標(biāo)準(zhǔn)正態(tài)分布隨機(jī)變量表示的噪聲。

在實(shí)際礦工定位實(shí)踐中,通常取d0=1 m,ε=0,從而得到實(shí)際的RSSI測距公式為

式中,A為距離信號發(fā)射源 1 m 處的信號強(qiáng)度平均值的絕對值;n′為環(huán)境參數(shù),且與信號傳播環(huán)境有關(guān);A和n′為待定參數(shù)。

卡爾曼濾波算法通過不斷地校正預(yù)測值和觀測值之間的誤差來估計(jì)礦工位置[18],包括兩個(gè)基本步驟:預(yù)測和更新。預(yù)測步驟利用當(dāng)前狀態(tài)與外部輸入信息來預(yù)測下一步狀態(tài),同時(shí)伴隨著不確定度增加;更新步驟通過采集新的觀測數(shù)據(jù)對預(yù)測值進(jìn)行修正,并按照新的狀態(tài)及其不確定度完成后驗(yàn)估計(jì)。卡爾曼濾波算法可通過以下幾步完成。

RSSI預(yù)估值可表示為

式中,RSSIk-1為k-1 時(shí)刻的最佳估值;RSSI′[k/(k-1)]為k時(shí)刻的RSSI預(yù)估值。

礦工定位預(yù)估誤差的協(xié)方差P可表示為

式中,P[k/(k-1)]是RSSI′[k/(k-1)]對應(yīng)的協(xié)方差;Pk-1為RSSIk-1對應(yīng)的協(xié)方差;Q為RSSI的過程噪聲協(xié)方差。

k時(shí)刻的卡爾曼增益K可表示為

式中,R為RSSI系統(tǒng)的測量噪聲協(xié)方差。

k時(shí)刻RSSI的最優(yōu)估值可表示為

因此,k時(shí)刻的誤差協(xié)方差可表示為

在礦工定位應(yīng)用中,卡爾曼濾波算法可以將RSSI數(shù)據(jù)作為觀測值,以Log-Normal 模型計(jì)算出的預(yù)測值作為先驗(yàn)估計(jì),利用卡爾曼濾波器實(shí)現(xiàn)對礦工位置狀態(tài)的估測,進(jìn)而實(shí)現(xiàn)準(zhǔn)確監(jiān)測和定位。本研究基于RSSI的礦工定位信號優(yōu)化算法流程如圖1所示。

圖1 基于RSSI 的礦工定位信號優(yōu)化算法流程Fig.1 Mine location signal optimization algorithm flow based on RSSI

1.3 基于K-Means 聚類的參考點(diǎn)優(yōu)化

K-Means 聚類算法是一種經(jīng)典的聚類算法,用于將觀測數(shù)據(jù)分成不同的簇。在礦工定位領(lǐng)域中,KMeans 聚類算法也可以用來優(yōu)化參考點(diǎn)選擇[19-21]。假設(shè)有一個(gè)包含m個(gè)觀測數(shù)據(jù)x1,x2,…,xm的集合,其中每個(gè)觀測數(shù)據(jù)xi表示位置信息和對應(yīng)的信號強(qiáng)度值等特征信息。需要從中選擇l個(gè)參考點(diǎn)y1,y2,…,yl作為數(shù)據(jù)庫中的參考點(diǎn),并通過這些參考點(diǎn)來估計(jì)礦工的位置信息。K-Means 聚類算法的目標(biāo)是將所有觀測數(shù)據(jù)劃分成l個(gè)非重疊的簇,使得同一簇內(nèi)的觀測數(shù)據(jù)彼此相似,而不同簇之間的觀測數(shù)據(jù)差異較大。在聚類過程中,首先隨機(jī)選擇l個(gè)參考點(diǎn),而后將每個(gè)觀測數(shù)據(jù)分配到距其最近的參考點(diǎn)所在的簇中;通過重新計(jì)算每個(gè)簇內(nèi)部的平均值來更新參考點(diǎn)位置,以使得該簇內(nèi)部的每個(gè)觀測數(shù)據(jù)到該參考點(diǎn)的距離最小化;再次將所有觀測數(shù)據(jù)分配到更新后最近的參考點(diǎn)所在的簇中,而后重新計(jì)算參考點(diǎn)位置,迭代上述過程直至達(dá)到收斂條件。

基于用K-Means 聚類算法優(yōu)化參考點(diǎn)選擇方法的基本步驟如下:

(1)隨機(jī)選擇l個(gè)參考點(diǎn)y1,y2,…,yl。

(2)將所有觀測數(shù)據(jù)分配到距離其最近的參考點(diǎn)所在的簇中,并根據(jù)每個(gè)簇內(nèi)部的平均值計(jì)算出該簇內(nèi)的新參考點(diǎn)位置y′i。

(3)利用上述K-Means 聚類結(jié)果,計(jì)算簇之間的相似度,選擇其中最不相似(即樣本間距離最大)的簇將其作為壞點(diǎn)簇。

(4)在壞點(diǎn)簇中隨機(jī)選擇一個(gè)觀測數(shù)據(jù)xi,將其作為新的參考點(diǎn)yj,重新計(jì)算簇內(nèi)平均值并迭代更新所有參考點(diǎn)的位置。

(5)重復(fù)步驟(2)至步驟(4),直到算法收斂或達(dá)到預(yù)定迭代次數(shù)后停止。

通過上述方法,可以利用K-Means 聚類算法選擇合適的參考點(diǎn),同時(shí)避免壞點(diǎn)干擾。該方法可以大幅度降低參考點(diǎn)選擇難度,在減少計(jì)算時(shí)間的同時(shí),保證礦工定位的準(zhǔn)確性和魯棒性。

2 試驗(yàn)分析

2.1 試驗(yàn)設(shè)置

(1)試驗(yàn)場地。選擇典型的礦山工作場景,建立適當(dāng)規(guī)模的試驗(yàn)場地,在場地內(nèi)設(shè)置多個(gè)參考節(jié)點(diǎn)和測試點(diǎn),保證試驗(yàn)條件的可控性和真實(shí)性。

(2)測試節(jié)點(diǎn)。多個(gè)測試節(jié)點(diǎn)應(yīng)布置在不同區(qū)域,以獲取較為全面的信號數(shù)據(jù),同時(shí)避免在一個(gè)特定區(qū)域過于聚集導(dǎo)致結(jié)果出現(xiàn)偏差。測試節(jié)點(diǎn)應(yīng)固定位置,并安裝好無線射頻標(biāo)簽或設(shè)備,用于信號采集和數(shù)據(jù)傳輸。

(3)參考節(jié)點(diǎn)。多個(gè)參考節(jié)點(diǎn)應(yīng)均勻分布在試驗(yàn)場地內(nèi),其位置應(yīng)提前記錄,形成參考點(diǎn)數(shù)據(jù)庫,用于處理RSSI,并確定礦工的具體位置。

(4)測試方案。為了驗(yàn)證算法效果,可以制定不同的測試方案和測試方法,如測試礦工移動(dòng)軌跡、礦工數(shù)量和密度等,針對各種可能發(fā)生的情況進(jìn)行測試和對比分析。

(5)數(shù)據(jù)采集。使用專業(yè)的數(shù)據(jù)采集設(shè)備,測量無線射頻標(biāo)簽的RSSI,使用距離測量、數(shù)據(jù)濾波等方法進(jìn)行預(yù)處理,并建立參考點(diǎn)數(shù)據(jù)庫。

(6)試驗(yàn)分析。利用采集的信號數(shù)據(jù),并根據(jù)具體算法模型計(jì)算礦工的精確位置,在特定時(shí)間段內(nèi)記錄定位誤差與定位精度、魯棒性等參數(shù)對算法進(jìn)行分析與評估。

2.2 試驗(yàn)結(jié)果

利用 MATLAB 仿真軟件,通過模擬RSSI信號在距離為14 m 時(shí)的對數(shù)損耗模型并引入少量大干擾信息,得到了50 次測量值。這些測量值使用滑動(dòng)平均濾波、卡爾曼濾波和本研究算法進(jìn)行處理,并將每次得到的結(jié)果取平均,得到了濾波后的平均RSSI值?；瑒?dòng)平均濾波是一種簡單有效的濾波算法,其基本原理是利用一個(gè)窗口大小為N的移動(dòng)窗口對數(shù)據(jù)進(jìn)行濾波,每次將窗口中最舊樣本移除并添加最新樣本。該算法能夠有效地平滑原始信號,并去除一部分噪聲。但是,滑動(dòng)平均濾波在處理非理想信號時(shí)容易產(chǎn)生較大誤差,而且對于信號波動(dòng)較大的情況無法有效地抑制噪聲?？柭鼮V波是一種廣泛應(yīng)用于底層控制系統(tǒng)中的估計(jì)算法,通過不斷對比實(shí)際測量值和預(yù)測值之間的差異,對測量數(shù)據(jù)進(jìn)行隨時(shí)調(diào)整以達(dá)到更加準(zhǔn)確的估計(jì)結(jié)果。相對于滑動(dòng)平均濾波,卡爾曼濾波具有良好的適應(yīng)性和追蹤性能,但是該方法也需要更多的計(jì)算資源,因此實(shí)現(xiàn)較為復(fù)雜。當(dāng)信號噪聲本身的方差較小且能夠被完全建模時(shí),卡爾曼濾波常常能夠獲得更高的濾波效果。對數(shù)據(jù)各仿真50 次,取平均RSSI值,結(jié)果如圖2所示。針對每次試驗(yàn)結(jié)果,計(jì)算了平均距離誤差。測量平均誤差為2.14 m,滑動(dòng)平均濾波的平均誤差為1.83 m,卡爾曼濾波算法的平均誤差為1.36 m,本研究算法的平均誤差為0.83 m。在采用本研究算法進(jìn)行濾波后,信號質(zhì)量有較大幅度提高,礦工定位精度也得到了明顯提升。

圖2 不同算法RSSI 信號濾波值對比Fig.2 Comparison of RSSI signal filtering values of different algorithms

在礦工定位中,常見的定位算法包括指紋定位算法、距離測量算法、視覺定位算法、傳感器融合算法。其中,指紋定位算法是一種基于已有標(biāo)記點(diǎn)位置和對應(yīng)RSSI信號值建立指紋庫的方法,利用指紋庫來估計(jì)未知位置的礦工位置信息。距離測量算法是一種基于可靠距離測量技術(shù)計(jì)算礦工位置的方法,如GPS、超聲波、光纖陀螺儀等,但由于受到室內(nèi)環(huán)境復(fù)雜、信號衰減等因素影響,其精度受到一定限制。視覺定位算法是一種基于數(shù)字圖像處理技術(shù)獲取礦工位置信息的方法,如單目、雙目或多目攝像機(jī)、深度相機(jī)等,但由于其受到光線、遮擋、角度等因素影響,需要針對不同場景進(jìn)行優(yōu)化。傳感器融合算法是指通過將多種感知信息進(jìn)行綜合分析和加權(quán)計(jì)算,得到更準(zhǔn)確和可靠的位置估計(jì)結(jié)果,但需要針對不同的環(huán)境進(jìn)行調(diào)整、校正和優(yōu)化,同時(shí)會(huì)增加硬件成本和復(fù)雜度。本研究方法結(jié)合了RSSI定位和卡爾曼濾波算法,利用RSSI信號和接收設(shè)備之間的距離關(guān)系,采用卡爾曼濾波進(jìn)行預(yù)測和更新,從而實(shí)現(xiàn)礦工定位。本研究對該類算法的礦工定位誤差進(jìn)行了對比分析,結(jié)果如圖3所示。由圖3 可知:本研究算法平均距離誤差僅為0.72,具有簡單易實(shí)現(xiàn)、適用性強(qiáng)、具有一定的容錯(cuò)性等優(yōu)點(diǎn)。

圖3 不同算法礦工定位結(jié)果誤差對比Fig.3 Error comparison of miner positioning results by different algorithms

基于K-Means 聚類算法的礦工定位參考點(diǎn)優(yōu)化是一種應(yīng)用于煤礦等地下礦井中的礦工定位方法。該方法通過選擇適合礦井環(huán)境的各個(gè)節(jié)點(diǎn)作為參考點(diǎn),使用射頻信號強(qiáng)度三角測量技術(shù)對礦工位置進(jìn)行定位。該方法的礦工定位原理如圖4所示。本研究通過真實(shí)數(shù)據(jù)集試驗(yàn)進(jìn)一步驗(yàn)證基于K-Means 聚類算法的礦工定位參考點(diǎn)優(yōu)化方法的準(zhǔn)確性,結(jié)果如圖5所示。試驗(yàn)結(jié)果表明:在真實(shí)煤礦環(huán)境中,該方法可以將礦工所在位置的定位誤差控制在2 m 以內(nèi),符合礦山生產(chǎn)精度要求。優(yōu)化后的參考點(diǎn)可以減少數(shù)據(jù)傳輸量,從而提高了信號處理速度。同時(shí),K-Means算法的計(jì)算復(fù)雜度較低,相對其他算法耗時(shí)較小,因此能夠更快地完成礦工定位。該方法不依賴于任何精確的距離信息,并且對多重路徑衰減、障礙物干擾等情形具有較好的魯棒性,可適應(yīng)礦井復(fù)雜環(huán)境。

圖4 基于K-Means 聚類算法礦工定位原理示意Fig.4 Schematic of miner positioning principle based on K-Means clustering algorithm

圖5 仿真環(huán)境可視化結(jié)果Fig.5 Visual results of simulation environment

3 結(jié)語

無線射頻識別技術(shù)的應(yīng)用可以實(shí)現(xiàn)礦工位置監(jiān)測和定位,有效避免礦工因迷路或者其他原因而發(fā)生意外事故。本研究提出了一種基于無線射頻識別技術(shù)的礦工定位算法,該算法采用RSSI指標(biāo)建立定位模型,并結(jié)合Log-Normal 信號傳播模型和卡爾曼濾波算法處理信號,并通過K-Means 聚類算法進(jìn)行參考點(diǎn)優(yōu)化。相對于經(jīng)典礦工定位算法,本研究算法在定位精度、魯棒性和穩(wěn)定性方面均有顯著優(yōu)勢,有助于提升礦工定位精度。